Qwen-Image, Z-Image e FLUX.2 [klein]: As diferenças entre três rotas de imagens abertas
Visão geral do modelo/tecnologia de imagem aberta
MODELOS ABERTOS DE IMAGEM / ANÁLISE TÉCNICA
Modelos abertos de imagem já não se diferenciam apenas pelo realismo de uma única imagem gerada. O Qwen-Image concentra capacidade em tipografia complexa e edição com codificação dupla; o Z-Image constrói um DiT de fluxo único de 6B e o destila até oito avaliações de rede; o FLUX.2 [klein] reúne geração e edição com múltiplas referências em um modelo compacto de rectified flow de quatro passos. Pertencem à mesma geração de lançamentos, mas gastam a capacidade do modelo em problemas diferentes.
Difusão e flow matching
Um objetivo compacto de flow matching é L_FM=E||v_θ(x_t,t,c)-u_t||². Menos passos reduzem as avaliações de função, mas modelos destilados e não destilados não podem ser comparados só pela contagem de passos.
Três rotas de lançamento
O Qwen-Image enfatiza a renderização de texto complexo e a edição precisa. O Z-Image-Turbo destila a trajetória de geração. O FLUX.2 Klein acrescenta múltiplas imagens de referência à sua condição de edição. A contagem de parâmetros e a de passos pertencem a cada projeto e não podem ser ordenadas sem o tipo de entrada e a tarefa.
Da qualidade de imagem à tipografia e à identidade editável
A renderização de texto continuou difícil mesmo depois que a qualidade geral da imagem melhorou, porque uma palavra não é apenas mais uma textura. Ordem dos caracteres, forma dos glifos, quebra de linha e layout precisam concordar ao mesmo tempo. O Qwen-Image ataca esse ponto com um grande pipeline de dados e um currículo que avança de strings simples a descrições em nível de parágrafo.
A edição expõe um segundo conflito: o modelo precisa alterar o que a instrução nomeia e, ao mesmo tempo, preservar identidade, material e as regiões não tocadas. O Qwen-Image codifica a fonte por meio do Qwen2.5-VL e de um VAE para obter informação semântica e reconstrutiva. O Z-Image e o FLUX.2 [klein] organizam essas condições de outro modo, e é por isso que o rótulo comum de “modelo de imagem” esconde escolhas arquitetônicas importantes.
Como os tokens espaciais mudam o custo da geração de imagem
M_peak≈M_weights+M_text+M_VAE+M_attn(H,W)+M_samplerM_weightspesos do modeloM_attn(H,W)estado de atenção dependente do canvasM_sampleramostrador e estado latente
A contagem de parâmetros descreve a capacidade do modelo, mas não determina diretamente o custo de uma imagem. À medida que o canvas cresce, os intermediários de atenção e os recursos do VAE escalam com os tokens espaciais, enquanto composição, tipografia e detalhe também respondem à configuração de amostragem.
O Qwen-Image usa um MMDiT de 20B, o Z-Image um DiT escalável de fluxo único de 6B, e o FLUX.2 [klein] um transformer de rectified flow de 9B com um incorporador de texto Qwen3 de 8B. O custo do canvas, portanto, combina o comprimento da sequência espacial com larguras de modelo e trajetórias de amostragem muito diferentes.
O paper, o código e os pesos podem ser acompanhados pelo Qwen-Image, pelo Z-Image e pelo model card do FLUX.2 Klein 9B.
Arquitetura, linhagem de lançamento e trajetória de amostragem
A comparação útil não é um placar estético único. É como cada projeto organiza as condições, qual estágio de checkpoint publica e o que a destilação altera.
| Modelo | Arquitetura ou evidência | Escopo |
|---|---|---|
| Qwen-Image | MMDiT de 20B; codificação semântica e VAE da fonte para edição | Apache 2.0; lançamentos separados de geração e de edição |
| Z-Image | S3-DiT de 6B; tokens de texto, semântico-visuais e de VAE em um único fluxo | Apache 2.0; ramificações base, Turbo de oito NFE e edição |
| FLUX.2 [klein] 9B | Rectified flow de 9B mais incorporador de texto Qwen3 de 8B; destilação em quatro passos | Pesos 9B não comerciais; edição unificada com múltiplas referências |
Como as condições entram no espaço latente
Por que os últimos caracteres ainda falham
Um gerador emite pixels, e não objetos de caracteres editáveis. Ele precisa inferir a string solicitada, escolher sua escala e perspectiva e então reconstruir cada traço no canvas latente. Textos mais longos deixam menos margem para erro local, e os glifos chineses adicionam uma estrutura densa de traços. O treinamento tipográfico melhora essa cadeia sem transformar a saída em um documento diagramado.
A resolução dá aos glifos pequenos mais tokens espaciais, mas também alonga a sequência visual e aumenta o estado de atenção. Tipo mais nítido e mais computação, portanto, sobem juntos; uma trajetória destilada também pode preservar a composição ampla enquanto perde os últimos traços.
Pesos abertos ainda vêm com termos e limites diferentes
Qwen-Image e Z-Image usam repositórios Apache 2.0. O FLUX.2 [klein] 9B é lançado sob a FLUX Non-Commercial License. Pesos baixáveis, portanto, não concedem direitos idênticos para uso comercial, redistribuição ou treinamento derivado.
O model card do FLUX.2 também afirma que o texto renderizado pode ser impreciso e que o modelo não fornece informação factual. Um número legível em um infográfico ainda é conteúdo gerado, e não evidência da afirmação impressa ao lado.
Papers e arquivos públicos do Qwen-Image
Os nomes de modelos, os números e as limitações remontam aos papers, repositórios ou model cards abaixo.